Racial/ethnic disparities in primary care: the role of physician-patient concordance.
Notice bibliographique
Résumé
BACKGROUND: Research suggests that racial/ethnic concordance (matching) between patients and physicians improves quality of care for minority patients by reducing discrimination in the clinical encounter. OBJECTIVE: Examine the impacts of patient and physician race/ethnicity, and racial/ethnic concordance, on primary care outcomes including blood pressure, tobacco use, and cholesterol screening and tobacco use counseling. RESEARCH DESIGN: Multivariate regression analysis of 8160 visits by white and minority patients to 661 primary care physicians using the 2001 to 2003 National Ambulatory Medical Care Survey. I estimated models based on physicians who see both white and minority patients and include physician fixed-effects to correctly measure the contribution of concordance. RESULTS: Conditional on accessing a primary care physician, patient race does not explain differences in rates of these guideline-recommended preventive screenings. Concordance is generally not an important predictor of outcomes, though it is associated with rates of cholesterol screening 2 to 3 times higher among black and Hispanic men compared with whites. In contrast, practice patterns vary quite markedly by physicians' race/ethnicity. CONCLUSIONS: Given that physician race is a more powerful predictor of preventive screening than patient-physician concordance, minority patients may receive some guideline-recommended care at lower rates in concordant pairs. Addressing physician education and training to ensure practice that is consistent with preventive care guidelines may be important. Forms of discrimination in the clinical encounter thought to be modified by concordance do not appear to drive disparities in these outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».